在机器学习中，卷积神经网络CNN(卷积神经网络)是一种前馈神经网络。其人工神经元可以对覆盖区域内的一些周围单元做出反应，可以应用于语音识别、图像处理、图像识别等领域。在全连接神经网络中，每两个相邻层之间的每个神经元都通过边连接。当输入层的特征维数变得很高时，全连通网络中要训练的参数会增加很多，计算速度会变得很慢。而在卷积神经网络CNN中，卷积层的神经元只与前一层的部分神经元节点相连，即其神经元之间的连接是不完整的，同一层的部分神经元之间连接的权值W和偏移量B是共享的，这样就大大减少了需要训练的参数数量。
按照《量化投资策略：多因子到人工智能》课程源代码中的步骤，构建深度学习模型，选择CNN算法，获取股票池，中证500，沪深300。回测间隔：2016年5月1日至2018年12月31日为训练集，2019年1月至2022年2月，每月滚动回测。以及特征标签提取：在每个自然月的最后一个交易日，计算100个因子敞口作为样本的原始特征，计算下一个完整自然月的个股超额收益，进行特征预处理和二维数据生成。数据处理，中位数去极值，缺失值处理，行业市值中和，标准化。使用卷积神经网络，需要提供二维特征数据。样本内训练：使用卷积神经网络训练训练集。样本外检验：最优参数确定后，将T个月末所有样本的预处理特征作为模型的输入，得到每个样本的预测值。
截至2022年2月28日，中证500指数增强收益228%，同期指数60%，超额168%，锐比1.47，最大回撤20%。
截至2022年2月28日，沪深300指数增强收益185%，同期指数50%，超额135%，锐比1.28，最大回撤24%。
